20年清华扫地僧，整理的Storm、Spark学习笔记，面试官：拿来看看

最新推荐文章于 2025-08-23 19:36:46 发布

2401_89693527

最新推荐文章于 2025-08-23 19:36:46 发布

阅读量902

点赞数 12

CC 4.0 BY-SA版权

文章标签： storm spark 学习

本文链接：https://blog.csdn.net/2401_89693527/article/details/145068382

相信看到这里，大家应该对Hadoop、Storm和Spark的学习内容及路线有了一定认识，那现在是不是就差一篇学习Storm和Spark的宝典了呢？

主要结构

====

本篇结合真实的大数据用例，为读者提供了快速设计、实施和部署实时分析所需的技巧，主要涉及以下内容:

探讨大数据技术和框架。
比照实时分析与批量分析的应用情景，应对大数据实践所面临的挑战。
采用Apache Storm的编程范式开发处理、分析实时数据的现实应用。
接受处理实时事务性数据。
针对不同任务和产品部署情况，优化Apache Storm实现。
使用Amazon Kinesis和Elastic MapReduce进行数据的处理和流传递。
使用Spark SQL进行交互式、探索式的数据分析。
应用Spark Streaming进行实时分析。
为实时和批量分析开发通用型的企业架构和应用。

整体预览

====

本篇根据业务应用需求选用恰当的技术平台，既涵盖了不同实时数据处理框架和技术的基础知识，又论述了大数据批量及实时处理的差异化细节，还深入探讨了使用Storm、Spark 进行大数据处理的技术和程序设计概念。

以丰富的应用场景及范例说明如何利用Storm 进行实时大数据分析，既涉及了Storm的组件及关键概念内部实现的基础，又整合了Kafka来处理实时事务性数据，还探讨了Storm微小批处理抽象延伸的Trident框架和性能优化。此外，包括了使用Kinesis服务在亚马逊云上处理流数据的内容。本篇后半部分着重介绍了如何利用Spark为实时和批量分析开发通用型的企业架构和应用，既可通过RDD编程轻松实现数据转换和保存操作，亦介绍了Spark SQL访问数据库的实践案例，还扩展了Spark Streaming 来分析流数据，最后利用Spark Streaming和Spark批处理等实现了实时批处理兼顾的Lambda架构。

第1章：大数据技术前景及分析平台

================

本章探讨了大数据技术领域的各个方面。已经讨论过大数据环境中所使用的主要术语、定义、缩略语、组件和基础设施，还描述了大数据分析平台的架构。此外，还从顺序处理到批处理，到分布式，再到实时处理探讨了大数据的各种进深计算方法。在本章结尾，相信大家者现在已经熟悉了大数据及其特点。

第2章：熟悉Storm

===========

本章涉及不少Storm及其历史沿革等方面内容，介绍了Storm的组件以及Storm某些关键概念的内部实现。其中浏览分析了实际的代码，现在希望大家可以搭建Storm(本地版和集群版)并运行Storm，编程部分基本范例。

第3章：用Storm处理数据

==============

本章重点在于让读者熟悉Kafka及其基础知识。此外，还整合了Kafka和Storm,探索了Storm的文件和套接字等其他数据源，然后介绍了可靠性和锚定等概念，还对Storm的联结和批处理模式建立了理解。最后，通过Storm与数据库的集成，了解并实现了Storm中的持久性。本章介绍了一些动手练习示例，建议大家自行尝试实现。

第4章：Trident概述和Storm性能优化

=======================

本章重点在于让大家熟悉Trident框架，以其作为Storm微小批处理抽象的延伸。我们已经看到了Trident 的各种关键概念和操作，然后还探索了Storm 内部与LMAX、ZeroMQ和Netty的联系。最后总结了Storm 性能优化方面的内容。

第5章：熟悉Kinesis

=============

在本章中，讨论了Kinesis用于处理实时数据馈送的架构。使用AWSAPI探索了Kinesis流生产者和消费者的开发。最后，还提到诸如KPL和KCL此类更高级的API以及它们的示例，来作为创建Kinesis生产者和消费者的推荐机制。

第6章：熟悉Spark

===========

在本章中，讨论了Spark及其各种组件的架构，还谈到了Spark框架的一些核心组件，如RDD。此外，讨论了Spark 及其各种核心API的包装结构，还配置了Spark 集群，并用Scala和Java编写并执行了第一个Spark作业。

第7章：使用RDD编程

===========

在本章中，讨论了SparkRDDAPI提供的各种转换及操作，还讨论了各种现实问题，并通过使用Spark转换及操作来解决它们。最后，还讨论了Spark提供的用于性能优化的持久性/高速缓存。

第8章：Spark的SQL查询引擎一Spark SQL

===========================

本章涵盖了Spark SQL架构和各种组件在内的多个方面，还讨论了在Scala中编写Spark SQL作业的完整过程，同时讨论了将Spark RDD转换为DataFrame的各种方法。在本章的中间部分，执行了Spark SQL的各种示例，包括使用如Hive/Parquet这些不同数据格式以及如模式演化和模式合并等重要方面，最后讨论了Spark SQL代码/查询的性能调优的各个方面。

第9章：用Spark Streaming分析流数据

=========================

在本章中，讨论了Spark Streaming的各个方面。讨论了Spark Streaming的架构、组件和封装结构，还编码和执行了第一个Spark Streaming应用程序，也使用Spark Streaming和SparkSQL对芝加哥犯罪数据进行了实时分析。

第10章：介绍Lambda架构

===============

在本章中讨论了Lambda架构的各个方面。讨论了Lambda架构的各个层/组件所执行的角色，还利用Spark和Cassandra来设计、开发和执行了Lambda架构的所有层。